python – 外部产品的矢量化减少 – NumPy

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 外部产品的矢量化减少 – NumPy，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1438字，纯文字阅读大概需要3分钟。

内容图文

我对NumPy比较新,经常读到你应该避免写循环.在很多情况下,我理解如何处理,但目前我有以下代码：

p = np.arange(15).reshape(5,3)
w = np.random.rand(5)
A = np.sum(w[i] * np.outer(p[i], p[i]) for i in range(len(p)))

有没有人知道是否有办法避免内部for循环？

提前致谢！

解决方法:

方法#1：使用np.einsum –

np.einsum('ij,ik,i->jk',p,p,w)

方法#2：broadcasting np.tensordot –

np.tensordot(p[...,None]*p[:,None], w, axes=((0),(0)))

方法#3：使用np.einsum np.dot –

np.einsum('ij,i->ji',p,w).dot(p)

运行时测试

设置#1：

In [653]: p = np.random.rand(50,30)

In [654]: w = np.random.rand(50)

In [655]: %timeit np.einsum('ij,ik,i->jk',p,p,w)
10000 loops, best of 3: 101 μs per loop

In [656]: %timeit np.tensordot(p[...,None]*p[:,None], w, axes=((0),(0)))
10000 loops, best of 3: 124 μs per loop

In [657]: %timeit np.einsum('ij,i->ji',p,w).dot(p)
100000 loops, best of 3: 9.07 μs per loop

设置#2：

In [658]: p = np.random.rand(500,300)

In [659]: w = np.random.rand(500)

In [660]: %timeit np.einsum('ij,ik,i->jk',p,p,w)
10 loops, best of 3: 139 ms per loop

In [661]: %timeit np.einsum('ij,i->ji',p,w).dot(p)
1000 loops, best of 3: 1.01 ms per loop

第三种方法只是吹响了其他一切！

为什么方法#3比方法#1快10x-130x？

np.einsum在C中实现.在第一种方法中,使用这三个字符串,其中i,j,k为其字符串表示法,我们将有三个嵌套循环(当然在C中).那里有很多内存开销.

使用第三种方法,我们只进入两个字符串i,j,因此两个嵌套循环(再次在C中),并且还利用基于BLAS的矩阵乘法与np.dot.这两个因素是这个因素的惊人加速.

内容总结

以上是互联网集市为您收集整理的python – 外部产品的矢量化减少 – NumPy全部内容，希望文章能够帮你解决python – 外部产品的矢量化减少 – NumPy所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端